使用python从bigquery获取数据时，linux服务器上出现内存错误？

Question

我正在尝试使用python从大型查询中获取数据。代码在我的笔记本电脑上运行良好，但在Linux服务器上抛出内存错误。是否可以对其进行优化，使其也可以在服务器上运行？

错误:表中有500万台具有8 GB ram....error的rows...Linux计算机“内存不足”，进程已终止

代码如下：

os.environ["GOOGLE_APPLICATION_CREDENTIALS"] = "/Users/Desktop/big_query_test/soy-serenity-89ed73.json"

client = bigquery.Client()

# Perform a query.

QUERY = “SELECT * FROM `soy-serenity-89ed73.events10`”


query_job = client.query(QUERY)

df = query_job.to_dataframe()

Answer 1

我可以建议两种方法：

选项1

以块的形式对数据进行SELECT，以减少您在每次迭代中从BigQuery收到的数据大小。例如，您的表是分区的，您可以这样做：

WHERE _PARTITIONTIME = currentLoopDate

其中，currentLoopDate将是python代码中的日期变量(与使用ROW_NUMBER的选项类似

选项2

通过使用BigQuery client library，您可以使用Jobs.insert API并将configuration.query.priority设置为batch。

# from google.cloud import bigquery
# client = bigquery.Client()

query = (
    'SELECT name FROM `bigquery-public-data.usa_names.usa_1910_2013` '
    'WHERE state = "TX" '
    'LIMIT 100')
query_job = client.query(
    query,
    # Location must match that of the dataset(s) referenced in the query.
    location='US')  # API request - starts the query

for row in query_job:  # API request - fetches results
    # Row values can be accessed by field name or index
    assert row[0] == row.name == row['name']
    print(row)

在获取jobId之后，请参阅此link了解更多详细信息使用Jobs.getQueryResults编写循环，通过设置API的maxResults参数来获取数据块